由于天气和人为等因素的影响,雾霾现象变得更普遍并严重影响着人们的生活。雾霾天气会使图像采集设备获取的图像质量下降,从而影响无人驾驶等视觉计算系统的安全性和准确性。不同浓度的雾霾给图像上的目标检测和图像分割等深度学习领域的计算机视觉任务带来不同程度的困难,因此通过训练使深度学习模型能够学习到图像中不同程度的雾霾特征显得尤为重要。现阶段的雾霾分类方式包括两类。一类方法是基于传统数值统计的雾霾分类,此类方法使用图像数值特征和数学分析工具使雾霾分类过程变得相对简单,但是深度学习模型无法学习到图像的雾霾特征,因此该类方法不能应用到深度学习领域的计算机视觉任务。另一类方法是基于支持向量机的雾霾分类,此类方法严重依赖大量带标签的高质量数据,因此在真实的使用过程中不能做到细致地识别图像的雾霾特征。针对现有方法存在的上述问题,本文总共提出了两种新的雾霾图像分类思路并构建了用于雾霾领域研究的图像数据集,因此本文的研究内容主要由以下三个方面组成:（1）提出了基于知识驱动的雾霾分类方法。提升雾霾分类模型性能最直接有效的方法是获取足够多的具有真实雾霾特征的图像。由于雾霾天气的不确定性,导致真实雾霾图像数据稀少。通过给真实图像添加不同程度的雾霾可以获得大量的人造数据,但是人造数据和真实数据存在分布域不同的问题,所以并不能直接应用到真实图像的分类训练。本方法利用风格迁移网络的能力将真实图像的雾霾特征迁移到人造数据上来获取大量具有真实雾霾特征的数据用于雾霾分类模型的训练。这种方法给小样本分类任务提供了新的解决思路。（2）提出了基于领域自适应的雾霾分类方法。基于领域自适应的雾霾分类方法是将人造数据和真实数据分别作为源域和目标域,通过特征提取将两个领域的特征知识映射到潜在风格空间。将在潜在风格空间对人造数据通过训练得到的目标函数应用到真实图像上,从而提高雾霾分类模型对真实雾霾图像的分类性能。（3）构建了一个多域雾霾图像数据集（MDFIDA）用于雾霾图像领域的相关研究。受雾霾天气不确定性的影响,无论是从地理上还是时间上获取数据需要的成本都是巨大的,因此真实雾霾图像数量稀少并且各类雾霾图像之间存在着分布不均的问题。多域雾霾图像数据集由三部分组成,分别是Tarel等人[1]生成的雾天道路图像数据集（FRIDA）、通过人工对清晰图像添加不同程度雾霾得到的数据集（SIM）和少量真实图像组成的数据集（REAL）。